Cerebral palsy is a neurological disorder that affects movement and posture, often leading to gait abnormalities. Clinical gait analysis is widely used to assess and guide therapeutic decisions, including botulinum toxin type A injections. However, predicting gait kinematics after treatment remains a significant challenge due to patient variability and complex biomechanical factors and has not been extensively addressed in the literature.

This thesis explores the use of deep learning models to predict the temporal profiles of joint angles in children with cerebral palsy after botulinum toxin treatment or after a period without intervention. A sequence-to-sequence modeling approach is employed, leveraging initial joint-angle temporal profiles, patient-specific data (such as age and time between consultations in the absence of treatment), and treatment details (including injected muscles and botulinum toxin dosage in the presence of treatment). Three deep learning architectures---specifically bidirectional long short-term memory networks, one-dimensional convolutional neural networks, and Transformer models---were trained and evaluated to determine their predictive performance.

The results indicate that deep learning models---particularly the bidirectional long short-term memory and the one-dimensional convolutional neural network---can predict up to 15% of the observed changes between two clinical gait analyses in patients who did not receive treatment. In contrast, predictions for patients who received treatment remain more challenging due to the heterogeneous effects of botulinum toxin injections on gait and the limited size of the dataset. The findings also suggest that incorporating additional patient-specific information does not significantly enhance model performance and that predictive accuracy varies depending on the joint angle being predicted.

The best predictive performance was observed for rotational angles in patients who did not receive botulinum toxin injections, with an average of 20% of the observed changes being predicted.

This work contributes to the field of computational biomechanics by investigating how deep learning can support clinicians in personalizing treatment strategies for children with cerebral palsy. Future research may consider focusing on the prediction of average gait cycles rather than individual ones or adopting generative models to capture the underlying distribution of future joint-angle temporal profiles. Reducing the number of joint angles to be predicted according to clinical priorities and exploring data augmentation techniques also represent promising directions.

Cerebral pares är en neurologisk sjukdom som påverkar rörelse och hållning, vilket ofta leder till avvikelser i gångförmågan. Klinisk gånganalys används ofta för att bedöma och vägleda terapeutiska beslut, inklusive injektioner med botulinumtoxin typ A. Att förutsäga gångkinematik efter behandling är dock fortfarande en betydande utmaning på grund av patientvariabilitet och komplexa biomekaniska faktorer, och har inte behandlats i stor utsträckning i litteraturen.

Detta examensarbete undersöker användningen av djupinlärningsmodeller för att förutsäga de temporala profilerna för ledvinklar hos barn med cerebral pares efter behandling med botulinumtoxin eller efter en period utan intervention. En sekvens-till-sekvens-modelleringsmetod används och utnyttjar initiala tidsprofiler för ledvinklar, patientspecifika data (t.ex. ålder och tid som förflutit mellan konsultationer i avsaknad av behandling) och behandlingsdetaljer (inklusive injicerade muskler och botulinumtoxindosering i närvaro av behandling). Tre arkitekturer för djupinlärning, nämligen dubbelriktade nätverk för långtidsminne, endimensionella konvolutionsneuronnät och Transformer-modeller, tränades och utvärderades för att fastställa deras prediktiva prestanda.

Resultaten visar att modeller för djupinlärning, i synnerhet det dubbelriktade långtidsminnet och det endimensionella faltningsneuronnätet, kan förutsäga upp till 15 % av de observerade förändringarna mellan två kliniska gånganalyser hos patienter som inte fick behandling. Däremot är förutsägelser för patienter som fått behandling fortfarande mer utmanande på grund av de heterogena effekterna av botulinumtoxininjektioner på gång och den begränsade storleken på datasetet. Resultaten tyder också på att införandet av ytterligare patientspecifik information inte förbättrar modellens prestanda nämnvärt och att prediktionsnoggrannheten varierar beroende på vilken ledvinkel som predikteras. Den bästa prediktiva prestandan observerades för rotationsvinklar hos patienter som inte hade fått botulinumtoxininjektioner, där i genomsnitt 20% av de observerade förändringarna förutsågs.

Detta arbete bidrar till området beräkningsbaserad biomekanik genom att undersöka hur djupinlärning kan stödja kliniker i att anpassa behandlingsstrategier för barn med cerebral pares. Framtida forskning kan överväga att fokusera på förutsägelse av genomsnittliga gångcykler snarare än enskilda, eller att anta generativa modeller för att fånga den underliggande fördelningen av framtida temporala profiler för ledvinklar. Att minska antalet ledvinklar som ska förutsägas enligt kliniska prioriteringar och utforska tekniker för dataförstärkning är också lovande riktningar.

La paralysie cérébrale est un trouble neurologique qui affecte le mouvement et la posture, entraînant souvent des anomalies de la marche. L'analyse clinique de la marche est largement utilisée pour évaluer et guider les décisions thérapeutiques, notamment les injections de toxine botulique de type A. Cependant, la prédiction de la cinématique de la marche après traitement reste un défi important en raison de la variabilité des caractéristiques des patients et des facteurs biomécaniques complexes, et n'a pas été largement abordée dans la littérature.

Ce travail de recherche explore l'utilisation de modèles d'apprentissage profond pour prédire les profils temporels des angles articulaires chez les enfants atteints de paralysie cérébrale après un traitement à la toxine botulique ou après une période sans intervention. Une approche de modélisation séquence à séquence est employée, tirant parti des profils temporels initiaux des angles articulaires, des données spécifiques au patient (telles que l'âge et le temps écoulé entre les consultations en l'absence de traitement), et des détails du traitement (tels que les muscles injectés et la dose de toxine botulique en présence de traitement). Trois architectures d'apprentissage profond, à savoir les réseaux de neurones bidirectionnels à mémoire à court et à long terme, les réseaux de neurones convolutionnels unidimensionnels et les modèles Transformer, ont été entraînés et évalués afin de déterminer leurs performances prédictives.

Les résultats indiquent que les modèles d'apprentissage profond, en particulier les réseaux de neurones bidirectionnels à mémoire à court et à long terme et les réseaux de neurones convolutionnels unidimensionnels, peuvent prédire jusqu'à 15 % des changements observés entre deux analyses cliniques de la marche chez les patients qui n'ont pas reçu d'injections. En revanche, les prédictions pour les patients qui ont reçu au moins une injection restent plus difficiles en raison des effets hétérogènes de la toxine botulique sur la marche et de la taille limitée de l'ensemble de données. Les résultats suggèrent également que l'incorporation d'informations supplémentaires spécifiques au patient n'améliore pas de manière significative les performances des modèles et que la précision prédictive varie selon ’langle articulaire considéré. Les meilleures performances

prédictives ont été observées pour les angles de rotation chez les patients n'ayant pas reçu d'injections de toxine botulique, avec en moyenne 20 % des changements observés qui ont été prédits.

Ce travail contribue au domaine de la biomécanique computationnelle en étudiant comment l'apprentissage profond peut aider les cliniciens à personnaliser les stratégies de traitement pour les enfants atteints de paralysie cérébrale. Les recherches futures pourraient se concentrer sur la prédiction des cycles de marche moyens plutôt que sur la prédiction des cycles individuels, ou d'adopter des modèles génératifs pour capturer la distribution sous-jacente des profils temporels futurs des angles articulaires. La réduction du nombre d'angles articulaires à prédire en fonction des priorités cliniques et l'exploration de techniques d'augmentation de données représentent également des directions intéressantes.